Filtrage à incertitudes stochastiques et bornées : application au diagnostic actif en automobile
Auteur / Autrice : | Quoc hung Lu |
Direction : | Carine Jauberthie, Soheib Fergani |
Type : | Thèse de doctorat |
Discipline(s) : | Automatique |
Date : | Soutenance le 15/03/2022 |
Etablissement(s) : | Toulouse 3 |
Ecole(s) doctorale(s) : | École doctorale Systèmes (Toulouse ; 1999-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'Analyse et d'Architecture des Systèmes (Toulouse ; 1968-....) |
Jury : | Président / Présidente : Louise Travé-Massuyès |
Examinateurs / Examinatrices : Carine Jauberthie, Soheib Fergani, Floriane Anstett-Collin, Alexandre Chapoutot, Xavier Moreau | |
Rapporteurs / Rapporteuses : Andreas Rauh, Tarek Raissi |
Mots clés
Mots clés contrôlés
Mots clés libres
Résumé
Le problème du filtrage appliqué au diagnostic automobile est étudié dans ce travail de thèse, pour les systèmes dynamiques linéaires ou nonlinéaires, à temps discret, en contexte d'incertitudes mixtes, c'est-à-dire que les incertitudes peuvent être stochastiques ou bornées (dans des intervalles). Ce contexte permet de combiner deux approches bien connues du filtrage : les approches stochastique et ensembliste. Au travers de cette thèse, nous montrons qu'elles se complètent plutôt qu'elles se concurrencent. Deux modèles issus de l'automobile sont utilisés dans les applications tout-au-long de la thèse. Il s'agit des modèles de véhicule à bicyclette et de suspension. Des méthodes mixtes de filtrage sont tout d'abord développées et présentées dans ce travail : Optimal Upper Bound Interval Kalman Filter (OUBIKF) et Reinforced Likelihood Box Particle Filter (RLBPF), l'un est dédié aux systèmes linéaires et l'autre aux systèmes nonlinéaires. Le premier se base sur le filtre de Kalman intervalle et l'améliore en utilisant les propriétés développées et la stratégie d'optimisation des bornes supérieures de toutes les matrices de covariances admissibles appartenant à une matrice d'intervalle donnée. Le second propose un schéma général de filtre particulaire ensembliste et développe une méthodologie de renforcement du calcul de la vraisemblance, l'étape cruciale du schéma, pour améliorer la performance du filtre. La deuxième partie de cette thèse est dédiée à la détection de défauts. Les filtres précédents sont utilisés et combinés à une méthode de test d'hypothèse basée X^2 avec les degrés de liberté adaptatifs, à savoir Adaptive Degrees of Freedom X^2-statistic (ADFC), pour traiter la détection de défauts dans les systèmes linéaires ou nonlinéaires. Il s'agit d'une méthode de détection de défaut passive renforcée par la technique de seuil adaptatif dans l'étape de décision. Cette méthode permet la détection de défauts additifs, simples ou multiples, sur les capteurs. Dans la dernière partie de ce travail, une méthodologie de diagnostic actif est développée, à savoir ADFC-based Active Fault Diagnosis (AFD) utilisant des signaux auxiliaires. Cette méthodologie, étude préliminaire à l'approche active, se limite à la détection de défaut simple. Cependant, ses contributions sont multiples : isolement (localisation) et identification (estimation) du défaut, réduction de fausses alarmes et amélioration de l'estimation de l'état en renvoyant le défaut estimé comme un signal de retour au filtre utilisé. Nos futures recherches se concentrent tout particulièrement sur cette approche.